[论文解读] Physical Unclonable Functions (PUF) for IoT Devices

Abdulaziz Al-Meer, Saif Al‐Kuwari|arXiv (Cornell University)|May 17, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用 13

一句话总结

本综述全面分析了物理不可克隆函数（PUF）作为物联网设备轻量级硬件安全原 primitive 的应用，利用固有的制造差异生成唯一且不可克隆的响应，用于身份认证和密钥生成。该综述评估了 PUF 架构、性能指标、身份认证协议以及安全威胁（包括机器学习攻击和侧信道攻击），同时突出了 FPGA 实现以及 PUF 系统在机密性和完整性方面的开放挑战。

ABSTRACT

Physical Unclonable Function (PUF) has recently attracted interested from both industry and academia as a potential alternative approach to secure Internet of Things (IoT) devices from the more traditional computational based approach using conventional cryptography. PUF is promising solution for lightweight security, where the manufacturing fluctuation process of IC is used to improve the security of IoT as it provides low complexity design and preserves secrecy. It provides less cost of computational resources which prevent high power consumption and can be implemented in both Field Programmable Gate Arrays (FPGA) and Application-Specific Integrated Circuits (ASICs). In this survey we provide a comprehensive review of the state-of-the-art of PUF, its architectures, protocols and security for IoT.

研究动机与目标

• 为解决传统密码学在资源受限的物联网设备中计算成本高且易受量子攻击等问题。
• 提供 PUF 技术的统一综述，填补现有综述在近期实现、质量度量和安全威胁方面的空白。
• 评估各类 PUF 架构对机器学习攻击和侧信道攻击的抗性，尤其关注基于 FPGA 的设计。
• 识别开放的研究问题，特别是在实现物联网中基于 PUF 的通信机密性和完整性方面。
• 通过分析安全权衡，为未来研究提供指导，推荐构建稳健、轻量级 PUF 设计的方向。

提出的方法

• 系统性回顾 PUF 基础知识，包括定义、响应生成机制，以及制造差异在确保不可克隆性中的作用。
• 使用关键指标（随机性、唯一性、可靠性、均匀性）评估 PUF 性能，并采用标准化测试框架。
• 对 PUF 架构（如 RO-PUF、仲裁者 PUF、多路复用 PUF、忆阻器 Xbar PUF）进行分类与比较，分析其安全权衡。
• 分析 PUF 身份认证协议，包括对仿冒攻击的抵抗能力及密钥管理问题，并集成错误校正和模糊提取器技术。
• 应用机器学习模型（SVM、LR、朴素贝叶斯、AdaBoost、神经网络）评估对 PUF 的建模攻击，以训练数据量和预测准确率为指标。
• 通过功耗泄漏相关性研究侧信道攻击，包括利用共享 GDS 布局和仲裁者 PUF 中锁存行为的跨 PUF 攻击。

实验结果

研究问题

• RQ1 不同 PUF 架构（如基于延迟、基于频率、忆阻型）在安全性、随机性以及对机器学习攻击的抗性方面如何比较？
• RQ2 机器学习模型（如 LR、SVM、朴素贝叶斯）在预测 PUF 响应方面的有效性如何？非线性特性（如异或门）如何降低预测准确率？
• RQ3 侧信道攻击（尤其是功耗相关性攻击）在多大程度上威胁 PUF 安全性？如何有效缓解此类攻击？
• RQ4 在实际物联网部署中，基于 FPGA 的 PUF 实现与 ASIC 对应方案在性能和安全性方面有何差异？
• RQ5 将 PUF 扩展至支持物联网通信中的机密性和完整性，仍面临哪些开放挑战？

主要发现

• 在忆阻器 Xbar PUF 中引入异或门非线性可使机器学习预测准确率从 73% 降低至 50.5%，接近理想随机性，显著提升抗性。
• 在小数据集上测试的 Arbiter PUF 中，朴素贝叶斯模型训练时间最短（0.0007 秒），且预测准确率最高。
• 自旋转移矩磁性随机存取存储器（STT-MRAM）可重构仲裁者 PUF 表现出功耗耗散与响应之间无显著相关性，表明对侧信道攻击具有抗性。
• 跨 PUF 攻击可利用共享 GDS 布局，在一个 PUF 上训练模型后用于破坏其他 PUF，凸显大规模生产设计中的关键威胁。
• 多路复用 PUF 易受基于神经网络的预测攻击，预测准确率较高，表明其架构存在薄弱环节。
• 尽管已有进展，基于 PUF 的系统仍缺乏对机密性和完整性的原生支持，依赖外部密码原 primitive，导致系统复杂性增加。